Information Technology Reference
In-Depth Information
Diversität einer Population groß ist, dann erforschen kombinierende Operatoren
sehr gut.
Interpolierende Operatoren [Weicker 2007] vermischen Eigenschaften der Eltern,
sodass ein neues Individuum mit neuen Eigenschaften entsteht. Die Eigenschaften
bewegen sich zwischen denen der Eltern. Man erforscht somit den Suchraum
demnach weniger als mit kombinierenden Operatoren. Eine interpolierende Rekom-
bination konzentriert die Population auf einen Schwerpunkt und fördert damit die
Feinabstimmung von sehr guten Individuen. Um den Suchraum anfangs genügend
zu erforschen, sollte man eine stark zufallsbasierte, diversitätserhaltende Mutation
verwenden.
Der arithmetische Crossover (siehe Algorithmus 5) ist ein Beispiel für eine inter-
polierende Rekombinationsmethode. Er arbeitet nur auf reellwertigen Genotypen.
Geometrisch kann man dadurch alle Punkte auf der Strecke zwischen beiden Eltern
erzeugen.
Algorithmus 5 A RITHMETISCHER -C ROSSOVER
Eingabe: Individuen s 1 , s 2 mit G = IR L
Ausgabe: neues Individuum s
1: u wähle zufällig aus U ([ 0, 1 ])
2: for i { 1, . . . , L } do
3:
s
[ i ] u · s 1 [ i ]+( 1 u ) · s 2 [ i ]
4: end for
5: return s
Extrapolierende Operatoren hingegen versuchen gezielt Information aus mehre-
ren Individuen abzuleiten [Weicker 2007]. Sie erstellen eine Prognose, wo Gütever-
besserungen zu erwarten sind. Die extrapolierende Rekombination kann den bishe-
rigen Teil des Suchraums verlassen. Sie ist die einzige Art der Rekombination, die
Gütewerte benutzt. Allerdings ist der Einfluss der Diversität hier schwer nachzu-
vollziehen. Ein möglicher extrapolierender Algorithmus ist z. B. das arithmetische
Crossover mit u U ([ 1, 2 ]) .
Search WWH ::




Custom Search